复杂化工过程的故障诊断愈发受到人们的关注,其中,有效的可视化故障诊断与监控方法仍具有很大的挑战性。自组织特征网络(SOM)具有保留样本原始空间拓扑结构不变的特性,因此能够实现故障诊断可视化。然而,随着化工过程日益复杂,各变量之间关系愈发紧密,简单的SOM算法已无法满足要求。针对这种情况,本文提出两种改进的SOM算法并应用到故障诊断与监控中,以提高故障诊断的可视化效果。具体研究如下：(1)基于自组织映射和分类相关成分分析(CCA)的故障诊断方法。分类相关成分分析考虑到各变量与故障类别之间的相关性,最大程度地提取了故障的类别信息。因此在数据降维的同时,较好地反应了故障的类别信息特征。基于提取出的分类相关成分,SOM的映射结果得到很大改善,可以清楚区分各个故障状态。(2)基于自组织映射和Fisher判别分析(FDA)的故障诊断方法。Fisher判别分析可以实现类间离散度的最大化,同时最小化类内离散度,是一个理想的降维方法。通过FDA的特征提取,SOM可以清楚分辨故障状态。同时,利用特征变量与原始变量之间的相关系数,也为故障源的识别提供了参考。(3)将上述两种故障诊断方法应用于田纳西-伊斯曼(TE)过程,实验结果表明这两种方法能够有效改善故障诊断的可视化效果,大大提高故障诊断的正确率,能够实现复杂化工过程的实时监控。